ControlSpeech

实现零样本语音克隆和风格控制的开源工具包

ControlSpeech 零样本说话人克隆语言风格控制语音合成评估指标 Github 开源项目

ControlSpeech是一个开源的语音合成项目，专注于实现零样本说话人克隆和语言风格控制。项目包含基线模型、VccmDataset数据集、评估指标和复现代码。通过解耦编解码器技术，ControlSpeech为研究人员和开发者提供了探索灵活语音合成的工具。该项目可应用于个性化语音助手、多语言配音等领域，为语音合成技术的研究和应用提供新的可能性。

访问官网

Github

介绍相关项目

EchoMimic - 音频驱动的逼真人像动画系统支持关键点编辑

AI模型EchoMimicGithub关键点条件开源项目肖像动画音频驱动

EchoMimic是一个音频驱动的人像动画系统，通过编辑关键点来控制动画效果。系统支持英语和中文音频输入，可生成自然的口型、表情和头部动作。项目开源了推理代码和预训练模型，可用于生成高质量的说话头视频，适用于虚拟主播等应用场景。

E2-TTS - 非自回归零样本TTS模型简化语音合成

E2 TTSF5-TTSGithubHuggingface开源项目文本转语音模型零样本学习非自回归

E2-TTS是一个开源的文本转语音项目，采用完全非自回归方法实现零样本语音合成。该模型简化了语音生成过程，提供.pt和.safetensors格式的预训练模型。E2-TTS旨在提高语音合成效率，为研究人员和开发者提供便捷工具，推动语音技术发展。项目遵循CC-BY-NC-4.0许可，基于Emilia数据集训练。

Diffusion-SVC - 高效实时语音转换系统

AI模型ContentVecDiffusion-SVCGithub开源项目扩散模型语音转换

Diffusion-SVC是一个基于扩散模型的语音转换项目，专注于实现高质量的实时语音转换。该系统以低显存占用、快速训练和推理为特点，并针对浅扩散和实时应用进行了优化。Diffusion-SVC支持多种预训练模型和编码器，适用于不同规模的GPU，可灵活搭配使用。通过与其他声学模型级联，系统能进一步提升音频质量并降低性能消耗，为语音转换技术带来新的可能性。

Diff-HierVC - 分层扩散模型实现高质量零样本语音转换

Diff-HierVCGithub开源项目扩散模型语音转换零样本说话人适应音高生成

Diff-HierVC是一种分层语音转换系统，采用DiffPitch和DiffVoice两个扩散模型。DiffPitch生成目标音高，DiffVoice转换语音风格。系统还使用源滤波器编码器和掩蔽先验技术，提高语音风格迁移和说话人适应能力。在零样本语音转换中，Diff-HierVC实现0.83%字错率和3.29%等错率，展现出色的音高生成和语音风格迁移性能。

parler-tts-mini-v1 - 通过文本提示控制的轻量级语音合成模型

GithubHuggingfaceParler-TTS人工智能开源项目文本转语音模型自然语言处理语音合成

Parler-TTS Mini v1是一个经过45K小时音频数据训练的轻量级文本转语音模型。该模型能生成高质量、自然的语音，并通过简单的文本提示控制语音特征，包括性别、背景噪音、语速、音高和混响等。它支持随机语音和特定说话人语音生成，是开源Parler-TTS项目的组成部分，为社区提供TTS训练资源和数据集预处理工具。

so-vits-svc - 虚拟歌声转换工具，提供丰富的自定义功能

GithubSinging Voice ConversionSoftVC VITS人工智能模型开源项目热门语音合成

so-vits-svc是一个专注于虚拟歌声转换(SVC)的项目，不支持文本到语音(TTS)功能。该项目利用SoftVC内容编码器从源音频中提取语音特征，并通过VITS进行处理，保留了原始音频的音调和语调。此外，该项目还支持Whisper-PPG编码器和静态/动态声音融合等新功能。最新版本支持通过浅层扩散模型改善声音质量，为开发者提供了一个稳定的学习和实验平台，但不适用于商业生产环境。

ctrl - 条件Transformer语言模型的功能与应用

CTRLGithubHuggingface偏见和限制开源项目文本生成模型训练数据语言模型

CTRL模型由Salesforce Research开发，是基于Transformer的语言模型，可以通过控制码实现文本的可控生成。模型适用于创意写作、自动化写作任务及特定格式文本的生成，并可通过微调优化其他自然语言处理应用。其训练数据包括来自多个领域的140GB文本数据，使用TPU v3 Pod及Adagrad优化器进行训练，并评估了环境影响。

Comprehensive-Transformer-TTS - 基于非自回归 Transformer 的 TTS

GithubPyTorchTTS开源项目持续时间建模语音合成非自回归变换器

该项目采用非自回归Transformer技术，集成多种最新状态转换模型。Comprehensive-Transformer-TTS不仅提供监督与非监督持续时间建模, 也支持多种数据集和SOTA技术，如Fastformer和Long-Short Transformer，力求在文本到语音转换领域取得领先成果。

Tacotron-pytorch - 端到端文本至语音合成技术的高效实现

GithubLJSpeechTacotron-pytorchpytorch开源项目文本转语音训练

Tacotron-pytorch是基于Pytorch框架开发的端到端文本至语音合成模型。该项目支持通过清晰的指南轻松部署和训练，使用LJSpeech数据集，并附带完整的预处理代码和网络训练文件。用户可以根据需要自定义超参数，非常适合进行科研和技术开发。项目提供了将成熟度逐渐提升的语音示例，欢迎进行下载和反馈。

MSMC-TTS - 多阶段多码本神经网络文本转语音系统

GithubMSMC-TTSVQ-VAE多阶段多码本开源项目神经网络TTS语音合成

MSMC-TTS是一个高性能神经网络文本转语音系统，基于多阶段多码本VQ-VAE技术。该系统集成了MSMC-VQ-VAE和HifiGAN，通过MSMC-VQ-GAN自编码器优化，并采用多阶段预测器作为声学模型。MSMC-TTS在标准和低资源语言的语音合成中表现优异，能够生成紧凑的语音表示和高质量的语音输出。项目提供了详细的训练、测试和推理指南，并包含针对MSMC-VQ-GAN和多阶段预测器的优化建议。

相关项目

项目侧边栏1

项目侧边栏2

推荐项目

Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务

投诉举报邮箱: service@vectorlightyear.com

@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号